基于机器学习的区域滑坡灾害预警模型研究

中国滑坡灾害严重,区域滑坡灾害预警是防灾减灾的重要手段之一,预警模型是开展区域滑坡灾害预警的关键问题。本文系统开展了基于机器学习的区域滑坡灾害预警模型研究,并以四川省青川县为例,基于近10年地质与气象数据,构建了青川县区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:(1)提出了基于机器学习的区域滑坡灾害预警模型的构建方法,主要包括训练样本集构建、样本学习训练与优化建模、模型保存与预警输出等几个关键步骤。(2)提出了区域滑坡训练样本集的构建方法,即以正样本为基础,在时空约束条件下随机采样获取负样本,最终获得完整的训练样本集。(3)样本学习训练中,以训练样本集的80%作为训练集,20%作为测试集,进行5折交叉验证,采用精确度、ROC曲线和AUC值校验模型准确度和模型泛化能力。采用贝叶斯优化算法进行模型优化。(4)实际预警中,调用训练好的预警模型输出滑坡灾害可能发生的概率。依据概率大小,分级确定预警等级。分级依据为:当输出概率P≥40%且P＜60%时,发布黄色预警;当输出概率P≥60%且P＜80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。(5)以青川县为例,构建了青川县区域滑坡训练样本集,采用6种机器学习算法进行模型训练,结果显示随机森林算法表现最好,其准确率最高(0.963),模型无过拟合现象,模型泛化能力最好(AUC=0.986);其次为逻辑回归算法;再次为人工神经网络算法和决策树算法。选取2018年6月26日的青川县日常预警业务进行实例校验。结果显示:当日17处滑坡灾害点中,100%的灾害点全部落入预警区范围内,其中:70.6%的滑坡落在红色预警区内,17.6%的滑坡落在橙色预警区内,11.8%的滑坡落在黄色预警区内。     

基于逻辑回归的四川青川县区域滑坡灾害预警模型

四川省青川县滑坡灾害群发,点多面广,区域滑坡灾害预警是有效防灾减灾的重要手段,预警模型是成功预警的核心。由于研究区滑坡诱发机理复杂、调查监测大数据及分析方法不足等原因,传统区域地质灾害预警模型存在预警精度有限、精细化不足等问题。文章在青川县地质灾害调查监测和降水监测成果集成整理与数据清洗基础上,构建了青川县区域滑坡灾害训练样本集,样本集包括地质环境、降雨等27个输入特征属性和1个输出特征属性,涵盖了青川县近9年（2010—2018年）全部样本,数量达1 826个（其中,正样本613个,负样本1 213个）。基于逻辑回归算法,对样本集进行5折交叉验证学习训练,采用贝叶斯优化算法进行模型优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。其中,ROC曲线也称为“受试者工作特征”曲线;AUC值表示ROC曲线下的面积。校验结果显示,基于逻辑回归算法的模型训练结果准确率和泛化能力均较好（准确率94.3%,AUC为0.980）。开展区域滑坡实际预警时,按训练样本特征属性格式,输入研究区各预警单元27个特征属性,调用预先学习训练好的模型,输出滑坡灾害发生概率,根据输出概率分段确定滑坡灾害预警等级。当输出概率P≥40%且P<60%时,发布黄色预警;当输出概率P≥60%且P<80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。     

基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例

金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区滑坡易发性评价中有着更好的评价精度和更高的预测能力。     

几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用

笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型。选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元。利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型。利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比。分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合。随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型。     

基于随机森林-特征递归消除模型的可解释性缓丘岭谷地貌滑坡易发性评价

研究旨在基于随机森林-特征递归消除模型，通过SHAP算法(SHapley Additive exPlanation, SHAP)与部分依赖图(Partial Dependence Plot, PDP)对缓丘岭谷地貌区域进行滑坡易发性评价与内部机制解释，以期为地质灾害防治研究提供参考。利用优化随机森林算法对典型缓丘岭谷地区滑坡易发性进行研究，建立缓丘岭谷滑坡易发性评价模型；利用特征递归消除算法剔除噪声因子，选取地形地貌、地质构造、环境条件、人类活动5个类型16个因子构建重庆合川区滑坡致灾因子数据库；结合合川区754个历史滑坡点，利用随机森林算法对因子重要性进行排序，并根据专家经验法对研究区的滑坡易发性进行划分，将研究区的滑坡易发性分为极低、低、中、高、极高5个等级；应用部分依赖图对合川区滑坡发生影响大的因子进行解释和SHAP算法对个体滑坡进行局部解释。结果表明：与原模型相比，随机森林-特征递归消除模型测试集AUC值提高了0.019,证明了特征递归消除算法的有效性；训练集以及测试集的AUC值分别为0.769、0.755,具有较高的预测精度；缓丘缓坡地区在起伏较大地区滑坡密度较大，历史滑坡多...     

基于自组织特征映射网络-随机森林模型的滑坡易发性评价

为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响,构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足,结合栅格单元和斜坡单元的相互关系,提出了滑坡易发性指数的优化计算方法。在此基础上,基于随机森林Tree Bagger分类器构建滑坡易发性评价模型,通过对比分析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响,探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三种评价模型的有效性;将评价模型应用于大余县滑坡易发性评价。结果显示,随机森林模型和自组织特征映射网络-随机森林模型的预测精度较高,分别达到91.19%和94.94%,成功率曲线的AUC值分别为0.822和0.849,表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率, 自组织特征映射网络聚类的预测精度虽然有限,但作为非滑坡样本的选择方法,能够有效提高随机森林模型的评价精度。     

基于Logistic回归的陕南秦巴山区降雨型滑坡预测方法

通过建立陕南秦巴山区降雨型滑坡灾害数据库,分析了不同降雨因子的雨强分布,计算了降水突发型滑坡灾害、降水滞后型滑坡灾害的雨强与滑坡发生概率的相关系数,采用Logistic回归方法确定不同时效降雨因子,得到陕南秦巴山区降雨型滑坡预测模型,并利用滑坡灾害实例,运用ROC曲线和kappa系数法对模型进行了验证。结果表明：滑坡前第m日降雨量R_dm(m=0,1,2)及综合雨量R_c四个降雨因子为诱发降雨型滑坡较为显著的因子。当降雨强度≥75 mm·h^-1时,最易引起突发型滑坡;当连续降水达到2 d,且24小时雨量达到小雨或中雨时,应警惕滞后型滑坡灾害的发生。模型预测准确率达82.1%,ROC曲线的AUC值为0.836,kappa系数为0.616,验证结果显示该模型可靠。研究成果可作为陕南秦巴山区降雨型滑坡预报预警研究工作的重要参考。     

基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划

滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting, XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(decision tree, DT)和梯度提升树模型(gradient boosting decision tree, GBDT)进行对比。结果表明：研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。     

基于BP神经网络的九寨沟地区地震滑坡危险性预测研究

BP神经网络因具有良好的精度和拟合能力,被广泛地运用在区域性滑坡危险性预测中。本文建立了基于BP神经网络的地震滑坡危险性评价模型并应用于四川九寨沟地区,以2017年8月8日的九寨沟M_S7.0地震引发的4834个历史滑坡为例,将其随机划分为70%的训练样本集用于九寨沟地区地震滑坡危险性预测,以及30%的验证样本集对预测结果的精度进行评估。选取高程、坡度、坡向、平行发震断层距离、垂直发震断层距离、震中距离、距道路距离、地面峰值加速度(PGA)以及岩性共9个影响因子,分析发震断层对地震滑坡的控制作用,并总结九寨沟地区地震滑坡空间分布规律特征,其中发震断层、岩性和坡度对九寨沟地区地震滑坡分布产生重要影响。利用模型得到九寨沟地震滑坡危险性预测图,结果显示73.19%的滑坡位于极高和高危险区域,与实际地震滑坡分布基本相符。通过30%的验证样本集来绘制预测成功率曲线,结果表明模型预测成功率(AUC值)为0.90,证实了BP神经网络在九寨沟地区地震滑坡危险性预测中具有良好的精度和拟合能力,评价结果为后续地震滑坡灾害预测和防震减灾工作提供了科学的参考。     

基于机器学习的区域滑坡危险性评价方法综述

我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。     

D-InSAR与随机森林模型耦合的活动性滑坡识别方法探究

灾害的早期识别是防灾减灾领域的关键技术。文中以甘肃省舟曲县为例,利用2018年1月－2019年1月Sentinel-1A雷达卫星降轨数据和2021年5月Sentinel-2光学遥感影像数据,通过D-InSAR技术获取研究区地表形变信息,利用随机森林模型识别潜在的滑坡体。结果表明:使用已有的滑坡数据集,采用随机森林模型能够较好地识别出潜在滑坡体。潜在滑坡点分布位置均位于地表形变量大的区域。舟曲县整体形变沿东西向发生,主要分布于舟曲县东北和西南方向,与潜在滑坡点高度重合。识别出的潜在滑坡点（立节乡北山滑坡）,年形变量达到0.12?m,于2021年1月18日发生滑坡,该滑坡典型案例也印证了文中方法的有效性。     

多分类支持向量机在滑坡稳定性判识中的应用

如何准确地判识和评价滑坡的稳定性一直是滑坡研究中的关键问题。基于多分类支持向量机的基本理论,利用三峡库区的37个典型滑坡（27个训练样本,10个测试样本）,建立了滑坡稳定性判识的多分类支持向量机模型,并与距离判别分析方法进行了比较。结果表明,SVM模型对测试样本和训练样本的判识准确率均达到100％,而距离判别法对测试样本和训练样本的判识准确率分别为80％和77.8％,前者的判识精度明显优于后者。在此基础上,将SVM模型运用于溪洛渡库区牛滚凼滑坡的稳定性判识中,结果与实际情况吻合较好。     

基于GIS技术的区域滑坡灾害危险性预测

基于GIS技术,利用信息量模型开展区域滑坡灾害危险性预测研究,编制滑坡灾害易发分区图,为滑坡灾害的风险预测及实时预警预报提供基础资料。以浙江省永嘉县为例,利用MAPGIS二次开发得到的信息量专业模块,结合永嘉县历史滑坡灾害和2004年以来新发生的灾害点,分别评价了研究区的历史滑坡灾害危险性和现状滑坡灾害危险性;提出用历史滑坡灾害危险性图件结合新发生的灾害点来验证评价模型;将历史灾害点和新灾害点结合生成滑坡灾害危险性预测图件的预测过程;研究成果经在永嘉县的实际验证分析,2004年后3次台风期间（2004年的“云娜” 台风,2005年的“海棠”和“麦莎”台风）发生的有准确地点的滑坡灾害点全部位于滑坡灾害易发区内,表明采用的模型具有较好的实用性和可靠性;采用历史统计和快速聚类相结合的方法进行危险性等级的划分,克服了前人研究工作中人为划分易发区的缺陷,更科学、客观。     

基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例

雅鲁藏布江与尼洋河两岸地质构造活跃,山体滑坡时常发生,滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素,应用五折交叉验证法训练模型,训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后,采用precision、 recall、 F1、 Accuracy指标对各个级别的预测结果进行分析。结果表明：在高程为32～1 544 m与2 722～3 752 m、坡度为30°～40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡;滑坡极高与高易发性分布为12.14%和12.41%,低和极低易发性占比分别为26.47%与29.55%,区内一半以上的地区不容易发生滑坡灾害;LightGBM模型在所有模型中表现最好,AUC值为0.843 2,准确度为0.853 1,F1分数为0.834 5;墨脱县的达木乡、帮辛乡,林芝县的丹娘、里龙、扎西饶登乡,朗县的陇村,工布江达的江达乡位于极高易发区,发生滑坡概率极大,在这些地区应采取相应的地质灾害防治措施。     

基于有效降雨强度的滑坡灾害危险性预警

选取湖北省恩施地区1 000 km2区域作为典型研究区, 在全面分析该区域历史滑坡资料的基础上, 根据该区滑坡生成与地层岩性之间的关系, 将研究区地层划分为高、中、低3类易发性岩组.分岩组统计降雨监测数据与历史滑坡信息, 得出有效降雨强度与关键降雨持续时间的散点图, 由此确定不同滑坡发生概率的有效降雨强度阈值, 提出该区的滑坡灾害危险性预警判别模型.基于样本区统计数据建立滑坡预测指标体系, 运用GIS得出研究区域的滑坡空间易发性区划结果, 并根据不同易发岩组-有效降雨强度模型, 叠加滑坡灾害易发性分区结果与降雨危险性预警等级分级结果, 对研究区的滑坡灾害危险性进行了预测预警.结果表明: 不同易发岩组-有效降雨强度模型所得预警结果与实际情况吻合, 预警模型具有考虑全面和预警精度高的特点, 在实际预警中切实可用.      

基于I-D-R阈值模型的滑坡气象预警

建立滑坡灾害多维度气象预警判据和划分“网格化”预警单元能够为滑坡灾害气象预警提供科学依据.本文以浙江省金华市磐安县205个降雨型滑坡为研究对象,首先,基于平均有效降雨强度-降雨历时（I-D）阈值模型,采用普通最小二乘回归（OLSQ）和分位数回归（QR）划分临界阈值曲线;其次,引入当日降雨量（R）,进一步优化I-D阈值模型,建立I-D-R阈值模型,采用不同参数估计方法对比不同阈值模型精度,选择最优阈值模型作为磐安县滑坡灾害气象预警判据;最后,基于降雨分布的差异性,在划分地形单元的基础上利用泰森多边形（VD）建立了乡镇级别的“网格化”预警单元.结果显示：（1）I-D-R阈值模型相比于I-D阈值模型具有更好的预警精度,且基于QR的I-D-R阈值模型效果更好,警告及以上阈值等级精度提升到50%,特别注意及以上阈值等级精度提升到88.9%;(2)采用基于QR的I-D-R降雨阈值作为磐安县51个预警单元四级气象预警（红、橙、黄、蓝）的判据,并提出相应的应急响应措施.研究成果提供了一种新的阈值模型,能够为磐安县区域气象预警提供借鉴与参考.     

基于3种不同机器学习算法的滑坡易发性评价对比研究

准确的滑坡易发性评价结果是山区滑坡灾害防治的关键,可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考,笔者以云南芒市为研究对象,选取高程、地层岩性、年均降雨量等9项评价因子,通过多重共线性分析,构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(S_ei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的S_eV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其S_eV值分别为0.829、0.90、9.14;SVM最低,其S_eV值分别为0.794、0.88、6.85。此外,RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比,RF算法在芒市区域具有更高的准确性和可靠性,更适合用于该区域的滑坡易发性建模,且利用该模型获得的评价结果,能够为芒市区域的滑坡防治提供理论依...     

四川青川县区域地质灾害气象风险预警模型研究

降雨是诱发地质灾害的重要因素之一,中国大陆于2003年启动的区域地质灾害气象预警取得了较好成效,目前区域地质灾害气象预警业务逐步从地质灾害发生的"危险性"预警向"风险性"预警转变,开展区域地质灾害气象风险预警模型研究具有重要意义。本文总结提出了区域地质灾害气象风险预警概化模型及其计算方法,以四川省青川县为例,构建了青川县区域地质灾害气象风险预警模型,并以典型实例进行了预警效果校验。（1）区域地质灾害风险预警指数（R）可以概化为地质灾害潜势度（Q）、降雨诱发因子（T）和地质灾害承灾体脆弱性指标（V）三者的乘积,并分别给出了三者的计算公式。（2）构建了青川县区域地质灾害气象风险预警模型,给出了根据预警指数值划分区域地质灾害气象风险预警等级的依据,提出当Q、T、V中两项达到高等级（0.8）,一项达到较高等级（0.6）时,为红色预警;当Q、T、V中两项达到较高等级（0.6）,一项达到中等级（0.3）时,为橙色预警;当Q、T、V中一项达到较高等级（0.6）,两项达到中等级（0.3）时,为黄色预警。（3）以2018年6月26日为典型实例,模拟了四川青川县区域地质灾害气象风险预警实况并进行校验,结果显示94.1%的灾害点位于预警区范围内     

基于易发性分区的区域滑坡降雨预警阈值确定——以云南龙陵县为例

滑坡所处不同易发等级的区域,降雨预警阈值差别较大。为提高滑坡降雨预警的针对性和准确率,文章以野外地质调查和滑坡易发条件分析为基础,结合信息量模型和层次分析法开展滑坡易发性评价,再通过滑坡发生概率与前期累计降雨量的相关性分析,分区进行滑坡降雨预警阈值模型研究。结果表明：坡度、高程、距断层距离、工程地质岩组、水系是龙陵县滑坡的主要孕灾地质条件;龙陵县滑坡非易发区面积为14.33 km²,低易发区面积为1 053.87 km²,中易发区面积为1 471.65 km²,高易发区面积为254.73 km²;确定单日和前3日为降雨预警时间,分区分时细化了降雨预警阈值模型;对比降雨预警阈值模型应用于龙陵县滑坡监测预警中的前后,预警信息减少了70条,预警准确率提高了14.4%,并实现了镇安镇户帕村施家寨组滑坡的有效预警。文章为区域滑坡降雨预警阈值确定提供了一种较好的参考方法。     

基于随机森林的滑坡空间易发性评价:以三峡库区湖北段为例

滑坡空间易发性分析有助于开展滑坡防灾减灾工作,训练有效的滑坡预测模型在其中扮演重要角色.以三峡库区湖北段为研究区,选取高程、坡度、斜坡结构、土地利用类型、岩土体类型、断裂距离、路网距离、河网距离、以及归一化植被指数这9个影响因子建立滑坡空间数据库,采用集成学习中的随机森林算法进行滑坡易发性评价.结果显示,随机森林抽样训练的方式有利于确定较优的训练参数,保证随机森林在不过拟合的情况下取得满意的拟合能力和泛化能力.随机森林绘制的滑坡易发性分级图显示出合理的空间分布,其中73.35%的滑坡分布在较高和极高级别区域.而巴东县北部、秭归县中部以及夷陵区南部等区域显示出较高的易发性级别.性能评估及易发性统计结果均表明随机森林是一种出色的算法,在滑坡空间预测领域具有较好的适用性.